汉语语音识别中基于区分性权重训练的声调集成方法

提出一种区分性方法,将声调信息加入大词汇量连续语音识别系统中.该方法根据最小音子错误准则,区分性地训练模型相关的概率权重.利用这些权重对传统基于传统谱特征的隐马尔可夫模型概率以及声调模型概率进行加权,通过调整模型之间的作用程度提高系统识别率.推导了利用扩展Baum-Welch算法的权重更新公式.对不同模型权重组合策略进行了评估,并利用权重之间的平滑方法来克服权重训练过拟合的问题.分别通过大词汇连续语音的带调音节输出和汉字输出两种识别任务来验证区分性模型权重训练的性能.实验结果表明在两种识别任务上,区分性的模型权重较使用全局模型权重分别获得9.5%以及4.7%的相对误识率降低.这表明了区分性模型权重对提高声调集成性能的有效性.     

水声通信中后验符号概率密度分布及概率成形容量分析

考虑到实际水声信道复杂特性对水声通信的影响,对系统的通信容量进行计算分析,并研究了一种适用于水声信道的容量评估算法。文中通过对不同条件下的均衡器输出的后验符号特性进行统计分析,提出了一种基于后验高斯分布的符号方差分段转移函数模型。在此基础上,采用Maxwell-Boltzmann分布来改变均衡器输出符号的成形分布,即引入概率成形技术对实际的水声通信系统容量进行评估分析。最后通过对水池和湖试多径信道数据的处理,获得了不同调制方式下的通信容量。结果显示,在特定的信噪比区间内,概率成形技术比传统的等概率映射的容量提升最大可达0.5 bits/symbol。      

浅海动态环境下蛙人探测声呐布放深度优化技术

蛙人探测声呐的探测性能及作用距离不仅与目标海区的声速剖面和自身性能参数有关,还与其布放深度有关,其布放深度的选择对于水下目标探测具有重要意义。以射线跟踪理论为基础,建立了基于探测概率感知的声呐性能评估模型;提出了一种声呐布放深度自适应优化算法,该算法以不同准则进行两次筛选优化后可得到声呐最佳布放深度。仿真结果表明：在不同水文情况下,所提优化算法可以有效选择最优布放深度,进而提高声呐对目标的探测性能。     

基于特征分量输出概率加权的多数据流鲁棒语音识别方法

针对传统多数据流语音识别方法不考虑数据流内各特征分量受噪声影响差异的缺点,提出了一种基于特征分量输出概率加权的数据流结合新方法,分析了特征分量输出概率加权对识别的影响,并结合丢失数据技术中的边缘化(Marginalisation)模型和软判决(Soft decision)模型给出了两种具体的数据流结合方案.将所提数据流结合方案应用到复合子带语音识别系统中,实验结果表明,所提识别方法可以根据噪声环境的不同自适应地调整数据流对识别影响的大小,其性能显著优于传统的多数据流识别方法.     

基于节点生长马氏距离K均值和HMM的网络入侵检测方法设计

传统的网络入侵检测方法存在着检测率低和无法进行在线检测的问题, 为此设计了一种基于节点生长马氏距离K均值和HMM的网络入侵检测方法;首先,给出了入侵检测系统框图,然后,以马氏距离为评价准则,提出了一种节点根据距离阈值进行自适应生长的K均值算法以实现样本的聚类,得到样本属于各攻击类型的后验概率,并采用此后验概率来初始化HMM中的初始矢量分布、状态转移概率和观察值概率等参数,通过前向评估准则和后向评估准则对HMM模型进行训练,从而获得了HMM检测模型,将样本输入到各检测模型中并将概率最大的检测模型作为其攻击类型;仿真试验表明所提方法能有效地实现网络入侵检测,不仅具有较高的检测率,而且具有较低的误检率和漏检率,是一种有效的网络入侵检测方法。     

联合宽带到达方向估计和语音特征增强的传声器阵处理方法

以提高室内混响环境下自动语音识别(ASR)性能为目标,讨论了一种小尺寸传声器阵处理方法.该方法采用基于旋转不变技术的信号参数估计算法(ESPRIT)计算宽带语音信号到达方向角,进行时延补偿;同时联合考虑阵列滤波与隐马尔可夫模型(HMM)识别过程,将识别输出结果反馈到前端的传声器阵处理,优化阵列滤波系数.与常规阵处理方法改善信号波形质量不同,本文通过调节阵列滤波系数降低待识别特征与训练模型之间的失配,直接提高识别过程中正确假设的概率.实验结果表明,上述方案能够有效降低会议室环境下孤立词有限词库ASR的错误概率,表现优于常规波束形成方法;采用全局优化进行阵列滤波设计,与局部优化算法相比,进一步改善了处理性能.     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

基于PCA和PNN的高甘油三脂血清荧光光谱识别

基于主成分分析和概率神经网络,提出了一种有效识别高甘油三脂血清荧光光谱的新方法.研究测量了正常和高甘油三脂血清在290 nm和350 nm激发光下产生的荧光光谱,并分别以3种采样间隔(1 nm、2 nm和5 nm)提取荧光强度作为样品的初始特征;利用主成分分析法对初始特征进行分析,以累积可信度大于95%的主成分作为样品特征;构建了4层概率神经网络,并分析了平滑系数和采样间隔对识别效果的影响.实验结果表明,当采样间隔采用5 nm,平滑系数位于0.26~0.92区间时,正常和高甘油三脂血清样品的识别率可达到95%和100%.     

基于改进格子气模型的对向行人流分层现象的随机性研究

在考虑行人视野范围的随机偏走格子气模型基础上, 引入行人对前方开阔区域的移动偏好特性, 提出改进的格子气模型, 对通道内对向行人流进行仿真研究. 模型再现了对向行人流在不同密度下出现的3种演化过程, 发现了行人密度与对向行人流分层现象的形成具有随机性, 以及统计了概率的变化趋势, 同时分析了分层现象形成概率与系统几何尺寸参数、移动强度参数、右行人流比例参数和视野范围参数等的关系. 分析结果表明, 改进的模型能够再现实际低密度下对向行人流不会出现分层现象的特性. 根据分层形成的概率, 可将对向行人流的密度分为5个区间, 不同区间的行人流演化过程各有差异. 模型和分析结果对理解对向行人流的动态演化过程, 提高通道内对向行人流的走行效率有一定帮助.     

基于扩展单粒子模型的锂离子电池参数识别策略

为了精确识别电动汽车锂离子动力电池的关键状态参数,基于多孔电极理论和浓度理论,建立了一种考虑液相动力学行为的锂离子电池扩展单粒子模型.相较于传统单粒子模型,该模型增加了对负电极表面固体电解质界面膜参数的描述,并考虑了温度和液相浓度变化对锂离子电池关键参数的耦合影响.基于所建立的扩展单粒子模型,提出一种简化的参数灵敏度分析方法和有效的锂电池参数识别策略,用以确定特定工况下的高灵敏度待识别参数,进而利用遗传算法实现参数的优化求解.最后,通过对比分析本文模型和传统单粒子模型的仿真输出电压和相同工况下电池的实验输出电压验证了提出模型和参数识别方法的有效性和可行性,为电池管理系统的健康状态估计提供了理论基础.